| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·论文背景 | 第9-10页 |
| ·研究现状及分析 | 第10-12页 |
| ·主要研究内容 | 第12-15页 |
| ·全信息理论在文本倾向分类识别上的作用 | 第12-13页 |
| ·词汇语义倾向对文本倾向的作用 | 第13-15页 |
| 第二章 全信息方法论及语义倾向性理论 | 第15-27页 |
| ·自然语言理解的全信息方法论 | 第15-17页 |
| ·全信息理论与自然语言处理 | 第17-20页 |
| ·自然语言理解与自然语言处理 | 第17-18页 |
| ·自然语言中的全信息 | 第18-19页 |
| ·全信息理论在自然语言处理方面的应用 | 第19-20页 |
| ·全信息理论在本研究中的应用 | 第20-21页 |
| ·词汇语义倾向性简介 | 第21-27页 |
| ·范畴和义原的定义 | 第21-22页 |
| ·语义相似度和语义相关度 | 第22-23页 |
| ·语义倾向定义 | 第23-24页 |
| ·语义倾向性的分析方法 | 第24-27页 |
| 第三章 基于全信息的文本倾向性识别系统设计 | 第27-45页 |
| ·全信息处理过程 | 第27-35页 |
| ·语法层信息处理 | 第27-30页 |
| ·语义层信息处理 | 第30-33页 |
| ·语用层信息处理 | 第33-35页 |
| ·特征选取 | 第35-37页 |
| ·支持向量机算法 | 第37-40页 |
| ·训练与测试集 | 第40页 |
| ·系统性能评定 | 第40-41页 |
| ·实验结果分析 | 第41-45页 |
| 第四章 词汇语义倾向性的解释性及其对文本倾向识别系统的改进 | 第45-57页 |
| ·中文文本倾向性识别中的语义倾向分析方法 | 第45-46页 |
| ·利用聚类分析对语用层信息的改进处理 | 第46-49页 |
| ·K-means聚类算法 | 第46-47页 |
| ·根据聚类算法对原语义倾向性算法进行改进 | 第47-48页 |
| ·词聚类实验设计过程 | 第48-49页 |
| ·聚类结果与分析 | 第49-53页 |
| ·影评语料的聚类结果 | 第50-51页 |
| ·台湾语料的聚类结果 | 第51-52页 |
| ·聚类结果分析结论 | 第52-53页 |
| ·利用聚类结果对文本倾向识别系统进行改进 | 第53-55页 |
| ·实验结果分析 | 第55-57页 |
| 第五章 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 作者攻读学位期间发表的学术论文 | 第64页 |